FiLM: Подобрен с честота модел с Лежандрова памет
FiLM е архитектура за дългосрочно прогнозиране на времеви редове, представена от Tian Zhou и колеги на NeurIPS 2022. Тя комбинира Лежандрови полиномни проекции на историческия вход с обучаеми филтри в честотната област, приложени към получените последователности от коефициенти. Чрез представяне на историята като компактен набор от полиномни коефициенти и филтриране на тези коефициенти в честотната област, FiLM позволява ефективна екстраполация върху дълги хоризонти на прогнозиране без квадратичната цена на пълното самонаблюдение.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Zhou, T., Ma, Z., Wen, Q., Sun, L., Yao, T., Yin, W., & Jin, R. (2022). FiLM: Frequency improved Legendre memory model for long-term time series forecasting. NeurIPS. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/bg/deep-learning/film
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AutoformerДълбоко обучение↔ compare
- FEDformer: Подобрен с честотна област ТрансформърДълбоко обучение↔ compare
- Модел в състояние пространство (Калманов филтър)Иконометрия↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →